JP2020144626A - 異常検出システム、及び異常検出プログラム - Google Patents
異常検出システム、及び異常検出プログラム Download PDFInfo
- Publication number
- JP2020144626A JP2020144626A JP2019041040A JP2019041040A JP2020144626A JP 2020144626 A JP2020144626 A JP 2020144626A JP 2019041040 A JP2019041040 A JP 2019041040A JP 2019041040 A JP2019041040 A JP 2019041040A JP 2020144626 A JP2020144626 A JP 2020144626A
- Authority
- JP
- Japan
- Prior art keywords
- data
- feature amount
- learning model
- feature
- mapping
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000005856 abnormality Effects 0.000 title claims abstract description 130
- 238000013507 mapping Methods 0.000 claims abstract description 114
- 238000001514 detection method Methods 0.000 claims abstract description 104
- 238000000034 method Methods 0.000 claims abstract description 70
- 238000009826 distribution Methods 0.000 claims abstract description 45
- 239000000203 mixture Substances 0.000 claims abstract description 15
- 230000002159 abnormal effect Effects 0.000 claims description 39
- 238000012986 modification Methods 0.000 claims description 35
- 230000004048 modification Effects 0.000 claims description 35
- 238000002156 mixing Methods 0.000 claims description 22
- 238000012544 monitoring process Methods 0.000 claims description 20
- 238000000513 principal component analysis Methods 0.000 claims description 16
- 230000001133 acceleration Effects 0.000 claims description 5
- 230000007547 defect Effects 0.000 claims description 2
- 238000006073 displacement reaction Methods 0.000 claims description 2
- 238000012880 independent component analysis Methods 0.000 claims description 2
- 230000003746 surface roughness Effects 0.000 claims description 2
- 230000003247 decreasing effect Effects 0.000 abstract 1
- 238000005259 measurement Methods 0.000 description 83
- 238000013500 data storage Methods 0.000 description 67
- 238000000605 extraction Methods 0.000 description 24
- 238000012545 processing Methods 0.000 description 23
- 238000012795 verification Methods 0.000 description 19
- 238000006243 chemical reaction Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 14
- 238000007689 inspection Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 239000003086 colorant Substances 0.000 description 5
- 230000006835 compression Effects 0.000 description 5
- 238000007906 compression Methods 0.000 description 5
- 230000009467 reduction Effects 0.000 description 5
- 239000000284 extract Substances 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000010365 information processing Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000011946 reduction process Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
Description
例えば、様々な監視対象に対して汎用的に用いることのできる異常検出システムの構築を考えた場合、監視対象のどのような状態が異常であるのかを定義することは容易ではない。
この手法による異常検出は、何が異常であるかを定義しないため、想定外の異常状態にも対応することが可能となる。
すなわち、監視対象を測定して得られる入力データとしては、例えば画像や波形データなど様々なものがあるが、画像や波形データからは多くの特徴量を抽出することが可能である。また、検査対象が複雑になればなるほど、異常状態の判定に必要となる特徴量の選択が難しくなる。また、判定に用いる特徴量の数を単に多くするのみでは、反って判定結果の質を劣化させる特徴量が含まれてしまうという問題もある。さらに、入力データには、正常又は異常な状態を示すデータの双方において、ノイズが含まれる場合がある。
このため、このような異常検出システムにおいては、入力データの質を向上させることにより、高精度な異常検出を可能にすることが望ましい。
ここで、写像手法とクラスタリング手法を用いる技術として、特許文献1に記載のデータ分析装置を挙げることができる。しかしながら、この装置では、本発明のような入力データの特徴量の外れ値を削除することはできなかった。
まず、本発明の第一実施形態の異常検出システム、及び異常検出プログラムについて、図面を参照して説明する。
本実施形態の異常検出システムは、監視対象の異常を検出するものである。この監視対象には検査対象も含まれ、監視対象としては、例えば製品や装置、建物などにおける環境等を挙げることができる。
測定データ記憶部11は、測定データ入力部10により入力された測定データを記憶する。
測定データとしては、製品などから取得される検査データと、装置などから取得されるプロセスデータを挙げることができる。
プロセスデータとしては、音、温度、湿度、振動、変位、速度、加速度、回転角、角速度、角加速度、電圧、電流、光量、圧力等を挙げることができる。
測定指標として、このような検査データとプロセスデータを組合わせて用いることで、異常検知の性能の向上を図ることができる。
このとき、測定データを2つの集合に分けて、特徴量抽出部12により、特徴量データとして、学習モデル候補を作成するために用いる学習用データセットと、学習モデル候補を改変して学習モデルを完成させるために用いる検証用データセットの2種類を生成させて、特徴量データ記憶部13に記憶させることが好ましい。
特徴量データの構造は、例えば測定データ(例えば画像)ID、複数の特徴量ID等からなるものとすることができる。
また、写像部14は、設定された閾値にもとづいて、特徴空間の新たな次元数(圧縮後の次元数)を決定する。
このとき、写像部14は、写像された特徴量データの主成分が持つ固有値を上位から足し合わせて、その合計値が閾値未満で、かつ最大の値になるように新たな次元数を決定し、次元削減処理を行うことができる。
そして、写像部14は、得られた変換後特徴量データを写像データとして、写像データ記憶部15に記憶させる。
変換後特徴量データの構造は、例えば測定データ(例えば画像)ID、複数の特徴量ID等からなるものとすることができる。
主成分分析によれば、元のデータが持つ情報をできるだけ失わずに、低次元空間に情報を縮約することができる。すなわち、異常検出に必要のない無駄な特徴量を使うことなく、最低限の情報量だけで元のデータを表現することが可能である。
また、図3に示すように、特徴量データXに対応する特徴空間がM次元である場合には、写像処理によりM次元の特徴量データX’が生成され、次元削減処理によりM’次元(M>M’)の特徴量データX’が生成される。
このとき、写像部14は、上記の変換式により、特徴量データを写像して、次元数を削減し、得られた変換後特徴量データを写像データとして、写像データ記憶部15に記憶させることができる。
学習モデル候補は、一又は二以上のクラスタからなり、クラスタの構造は、例えばクラスタID、各クラスの平均値、共分散行列、混合比等からなるものとすることができる。
ところで、「正常」にも様々な種類が存在する可能性(多態性)があるところ、1つの均一な集団においては外れ値とならないデータが、1つの均一な集団を3つの集団とした場合には、データの分布を細かく表現することが可能になる結果、外れ値になることがある。
このため、本実施形態の異常検出システムでは、混合分布手法を用いて変換後特徴量データを複数のクラスタに分類することにより、異常検出の精度を向上させることが可能になっている。
混合ガウス分布モデルは、複数の正規分布を組み合わせた重み付け線形和で表されるモデルである。
すなわち、本実施形態の異常検出システムによれば、例えば、図4に示すように、混合比が異常値(閾値未満)のクラスタが存在している場合、学習モデル候補におけるクラスタから、このような異常値のクラスタを削除することで、誤検出を抑制して、異常検出の精度を向上させることが可能になっている。
また、本実施形態の異常検出システムにおいて、このようにして完成した学習モデルを記憶させるために、学習モデル記憶部17とは別個の記憶部を備えてもよい。
すなわち、モデル改変部18は、学習モデル記憶部17の学習モデル候補における各クラスタについて検証用データセットの変換後特徴量データが外れ値として生起する確率(生起確率)を計算し、生起確率が設定した閾値よりも低い場合に正常と判定し、この変換後特徴量データに対応する検証用データが本来は異常である場合(誤判定の場合)、当該クラスタを学習モデル候補から削除することが好ましい。
具体的には、以下の式によりマハラノビス距離を算出することができる。
また、「本来は異常である場合」は、変換後特徴量データに対応する検証用データが、検証用データセットにおける異常データであることを意味する。
すなわち、学習モデル作成部17は、設定された複数の混合数にもとづいて、変換後特徴量データ(写像データ)を混合数分のクラスタに分類して、混合数ごとに学習モデル候補を作成することが好ましい。
そして、モデル改変部18により、混合数ごとに、学習モデル候補における各クラスタについて変換後特徴量データが生起する生起確率を計算し、生起確率が設定した閾値よりも高い場合に外れ値となることで異常と判定し、真陽性の発生率が最も高い学習モデル候補を学習モデルに決定することも好ましい。
まず、測定データ入力部10が、測定データを入力して、測定データ記憶部11に記憶させる(ステップ10)。
次いで、特徴量抽出部12が、測定データ記憶部11における測定データを読み込んで、特徴量を抽出し(ステップ11)、特徴量データを生成して、特徴量データ記憶部13に記憶させる。このとき、特徴量抽出部12は、特徴量データを学習用データセットと検証用データセットの2種類に分けて、特徴量データ記憶部13に記憶させることができる(ステップ12)。
このとき、写像部14は、学習用データセットの写像処理と次元削減を行う。
具体的には、写像部14は、主成分分析などにより、特徴量データに対応する特徴空間を定義する基底を生成して、この基底にもとづき特徴量データを写像する。また、設定された閾値にもとづき特徴空間の新たな次元数(圧縮後の次元数)を決定する。そして、写像された特徴量データの次元数を削減して新たな次元数とし、得られた変換後特徴量データを写像データとして、写像データ記憶部15に記憶させる。
このとき、学習モデル作成部16は、写像データ記憶部15から変換後特徴量データ(写像データ)を読み込んで、混合ガウス分布モデルなどにより、変換後特徴量データを複数のクラスタに分類し、学習モデル候補を作成して、これを学習モデル記憶部17に記憶させる。
このとき、モデル改変部18が、学習モデル候補に対して、設定された閾値よりも混合比が低い値をとるクラスタ又は混合比が最も小さい値をとるクラスタを削除することにより、学習モデル候補を改変して学習モデルを作成することが好ましい。
次に、本発明の第二実施形態に係る異常検出システム、及び異常検出プログラムについて、図6及び図7を参照して説明する。
本実施形態は、第一実施形態により完成した学習モデルを用いて、測定データの異常判定を行う装置に関するものである。
このとき、写像部14aは、第一実施形態において作成された特徴量データを変換後特徴量データに変換する変換式を用いて、特徴量データを変換後特徴量データに変換し、変換後特徴量データを写像データとして、写像データ記憶部15aに記憶させることができる。なお、本実施形態の異常検出システム1aに変換式記憶部を設けて、上記の変換式を予め記憶させておくことができる。
異常判定部19aによる生起確率の計算は、第一実施形態のモデル改変部18と同一の手法で行うことができ、例えばマハラノビスタグチ(Maharanobis Taguchi, MT)法のマハラノビス距離を用いて好適に行うことができる。
まず、測定データ入力部10aが、測定データを入力して、測定データ記憶部11aに記憶させる(ステップ30)。
次いで、特徴量抽出部12aが、測定データ記憶部11aにおける測定データを読み込んで、特徴量を抽出し(ステップ31)、特徴量データを(測定データセット)生成して、特徴量データ記憶部13aに記憶させる(ステップ32)。
このとき、写像部14aは、測定データセットの写像処理と次元削減を行う。
具体的には、写像部14aは、上記の変換式を用いて、特徴量データを変換後特徴量データに変換し、変換後特徴量データを写像データとして写像データ記憶部15aに記憶させる。
このとき、異常判定部19aは、学習モデル記憶部17aの学習モデルにおける各クラスタについて、写像データ記憶部15aにおける変換後特徴量データが生起する生起確率を計算し、生起確率が設定した閾値よりも高い場合に外れ値となることで、対応する測定データを異常と判定して、この判定結果を判定結果記憶部20aに記憶させる。
次に、本発明の第三実施形態に係る異常検出システム、及び異常検出プログラムについて、図8及び図9を参照して説明する。
本実施形態は、第一実施形態と第二実施形態を組み合わせて、第一実施形態の異常検出システムに異常判定を行うための構成を追加したものである。
このとき、測定データを2つの集合に分けて、特徴量抽出部12bにより、特徴量データとして、学習モデル候補を作成するために用いる学習用データセットと、学習モデル候補を改変して学習モデルを完成させるために用いる検証用データセットの2種類を生成させて、特徴量データ記憶部13bに記憶させる。
このとき、写像部14bは、上記の変換式を用いて、特徴量データを変換後特徴量データに変換し、変換後特徴量データを写像データとして、写像データ記憶部15bに記憶させることができる。
まず、測定データ入力部10bが、測定データを入力して、測定データ記憶部11bに記憶させる(ステップ50)。
次いで、特徴量抽出部12bが、測定データ記憶部11bにおける測定データを読み込んで、特徴量を抽出し(ステップ51)、特徴量データを生成して、特徴量データ記憶部13bに記憶させる。このとき、特徴量抽出部12bは、特徴量データを学習用データセットと検証用データセットの2種類に分けて、特徴量データ記憶部13bに記憶させる(ステップ52)。
次いで、学習モデル作成部16bが、学習モデル候補を作成して、学習モデル記憶部17bに記憶させる(ステップ54)。
そして、異常検出段階において、測定データ入力部10bが、測定データを入力して、測定データ記憶部11bに記憶させる(ステップ56)。
次いで、特徴量抽出部12bが、測定データ記憶部11bにおける測定データを読み込んで、特徴量を抽出し(ステップ57)、特徴量データを(測定データセット)生成して、特徴量データ記憶部13bに記憶させる(ステップ58)。
最後に、異常判定部19bが、測定データの異常判定処理を行う(ステップ60)。
このとき、異常判定部19bは、学習モデル記憶部17bの学習モデルにおける各クラスタについて、写像データ記憶部15bにおける変換後特徴量データが生起する生起確率を計算し、生起確率が設定した閾値よりも高い場合に外れ値となることで、対応する測定データを異常と判定して、この判定結果を判定結果記憶部20bに記憶させる。
これにより、本実施形態によれば、実質的に入力データの質を向上させ、異常検出の精度を向上させることが可能となっている。
また、プログラムを格納する記録媒体は、例えば半導体メモリ、磁気ディスク、光ディスク、その他任意のコンピュータで読取り可能な任意の記録手段により構成できる。
実施例として、本発明の第一実施形態に係る異常検出システムを使用した。また、参考例として、本発明の第一実施形態に係る画像処理装置の一部を変更したものを使用した。具体的には、参考例ではモデル改変部18を省略して、クラスタカットを行わないように変更した。
具体的には、図10に示すように、形状と色の異なる9種類の画像を含む画像クラスを用意した。各画像クラスにおける画像のサイズは、50×50ピクセルであり、画像中央の20×20〜34×34ピクセル内に検出対象が描かれている。
また、画像クラス1,4,7の検出対象の色は赤系であり、RGB空間においてRの値がG,Bより大きいことを示している。また、画像クラス2,5,8の検出対象の色は緑系であり、RGB空間においてGの値がR,Bより大きいことを示している。画像クラス3,6,9の検出対象の色は青系であり、RGB空間においてBの値がR,Gより大きいことを示している。なお、代表画像は、それぞれの画像クラスにおける代表的な画像の一例を示している。
具体的には、学習用データセットを作成するための画像クラス1,3〜9に含まれる画像は各500枚であり、ステータスは全て正常としている。また、学習用データセットを作成するための画像クラス2に含まれる画像は各280枚であり、ステータスは全て異常としている。
すなわち、学習用データセットにおいてステータスが異常の画像280枚は、全4280枚の画像中の7%程度であり、本実施形態の異常検出システムによって、これらが異常と判定される学習モデルが作成されることを想定している。
また、全ての画像クラスの画像における検出対象に対し、ノイズがランダムに加えられている。具体的には、グレー色(0〜25輝度(ランダム))が1ピクセルごとに20%の確率で加えられている。このように、正常データと異常データの双方にノイズを加えることによって、学習モデルによる異常検出の難易度を向上させている。なお、これらのノイズは、特徴量抽出部12による特徴量の抽出処理、及び写像部14による主成分分析における次元削減処理によって、除去又は低減され得ると推定される。
具体的には、図12に示す特徴量86種類に対応する86次元が、11次元に圧縮された。また、検証用データセットも同様に写像した後、同じ次元数に圧縮した。
一方、参考例では、このようなクラスタカットは、行わなかった。
したがって、本実施形態の異常検出システムにおけるモデル改変部18は、この場合、混合数18の学習モデル候補を最終的な学習モデルとして好適に決定することができる。
例えば、異常検出システムにおける各構成を複数の情報処理装置に分散して持たせたり、特徴量として実施形態及び実施例に示したもの以外のものを含めて使用したりするなど適宜変更することが可能である。
10、10a、10b 測定データ入力部
11、11a、11b 測定データ記憶部
12、12a、12b 特徴量抽出部
13、13a、13b 特徴量データ記憶部
14、14a、14b 写像部
15、15a、15b 写像データ記憶部
16、16b 学習モデル作成部
17、17a、17b 学習モデル記憶部
18、18b モデル改変部
19a、19b 異常判定部
20a、20b 判定結果記憶部
Claims (14)
- 監視対象の異常を検出する異常検出システムであって、
監視対象に関するデータを用いて特徴量を計算して得られた特徴量データに対して状態空間モデルへの写像手法を用いて前記特徴量データに対応する特徴空間を定義する基底を生成し、前記基底にもとづき前記特徴量データを写像して、前記特徴空間の新たな次元数を決定し、写像された前記特徴量データの次元数を削減して前記新たな次元数とし、変換後特徴量データを生成する写像部と、
混合分布手法にもとづき前記変換後特徴量データを複数のクラスタに分類して、学習モデル候補を作成する学習モデル作成部と、
前記学習モデル候補に対して、設定された閾値よりも混合比が低い値をとるクラスタ又は混合比が最も小さい値をとるクラスタを削除することにより、前記学習モデル候補を改変して学習モデルを作成するモデル改変部と、を備える
ことを特徴とする異常検出システム。 - 前記写像部が、
監視対象に関する他のデータを用いて特徴量を計算して得られた他の特徴量データに対して状態空間モデルへの写像手法を用いて前記基底にもとづき前記他の特徴量データを写像し、写像された前記他の特徴量データの次元数を削減して前記新たな次元数として、他の変換後特徴量データを生成し、
前記モデル改変部が、
前記学習モデル候補における各クラスタについて前記他の変換後特徴量データが生起する生起確率を計算し、前記生起確率が設定した閾値よりも低い場合に正常と判定し、
前記他の特徴量データに対応する前記他のデータが本来は異常である場合、当該クラスタを前記学習モデル候補から削除する
ことを特徴とする請求項1記載の異常検出システム。 - 前記学習モデル作成部が、
設定された複数の混合数にもとづいて、前記変換後特徴量データを前記混合数分のクラスタに分類して、前記混合数ごとに学習モデル候補を作成し、
前記モデル改変部が、
前記混合数ごとに、前記学習モデル候補における各クラスタについて前記他の変換後特徴量データが生起する生起確率を計算し、前記生起確率が設定した閾値よりも高い場合に異常と判定し、
真陽性の発生率が最も高い前記学習モデル候補を前記学習モデルに決定する
ことを特徴とする請求項2記載の異常検出システム。 - 前記写像部が、設定された閾値にもとづき前記特徴空間の新たな次元数を決定することを特徴とする請求項1〜3のいずれかに記載の異常検出システム。
- 前記写像部が、
監視対象に関する新たなデータを用いて特徴量を計算して得られた新たな特徴量データに対して状態空間モデルへの写像手法を用いて前記基底にもとづき前記新たな特徴量データを写像し、写像された前記新たな特徴量データの次元数を削減して前記新たな次元数として、新たな変換後特徴量データを生成し、
当該異常検出システムにおいて、
前記学習モデルにおける各クラスタについて前記新たな変換後特徴量データが生起する生起確率を計算し、前記生起確率が設定した閾値よりも高い場合に異常と判定する異常判定部をさらに備えた
ことを特徴とする請求項1〜4のいずれかに記載の異常検出システム。 - 前記監視対象に関するデータが、監視対象について測定されたデータであることを特徴とする請求項1〜5のいずれかに記載の異常検出システム。
- 前記状態空間モデルへの写像手法が、主成分分析、独立成分分析、カーネル主成分分析、LDA(Latent Dirichlet Allocation)、近傍探索手法の少なくともいずれかであることを特徴とする請求項1〜6のいずれかに記載の異常検出システム。
- 前記混合分布手法が、正規分布、t分布、ポアソン分布、ベルヌ−イ分布、ディリクレ分布の少なくともいずれかによる分布モデルであることを特徴とする請求項1〜7のいずれかに記載の異常検出システム。
- 前記監視対象について測定されたデータが、画像、寸法、色、欠陥、排出数、透過度、重量、強度、及び表面粗さの少なくともいずれかであることを特徴とする請求項6〜8のいずれかに記載の異常検出システム。
- 前記監視対象について測定されたデータが、音、温度、湿度、振動、変位、速度、加速度、回転角、角速度、角加速度、電圧、電流、光量、及び圧力の少なくともいずれかであることを特徴とする請求項6〜9のいずれかに記載の異常検出システム。
- 監視対象の異常を検出する異常検出プログラムであって、
コンピュータを、
監視対象に関するデータを用いて特徴量を計算して得られた特徴量データに対して状態空間モデルへの写像手法を用いて前記特徴量データに対応する特徴空間を定義する基底を生成し、前記基底にもとづき前記特徴量データを写像して、前記特徴空間の新たな次元数を決定し、写像された前記特徴量データの次元数を削減して前記新たな次元数とし、変換後特徴量データを生成する写像部、
混合分布手法にもとづき前記変換後特徴量データを複数のクラスタに分類して、学習モデル候補を作成する学習モデル作成部、及び、
前記学習モデル候補に対して、設定された閾値よりも混合比が低い値をとるクラスタ又は混合比が最も小さい値をとるクラスタを削除することにより、前記学習モデル候補を改変して学習モデルを作成するモデル改変部として機能させる
ことを特徴とする異常検出プログラム。 - 前記写像部に、
監視対象に関する他のデータを用いて特徴量を計算して得られた他の特徴量データに対して状態空間モデルへの写像手法を用いて前記基底にもとづき前記他の特徴量データを写像させ、写像された前記他の特徴量データの次元数を削減させて前記新たな次元数とさせ、他の変換後特徴量データを生成させ、
前記モデル改変部に、
前記学習モデル候補における各クラスタについて前記他の変換後特徴量データが生起する生起確率を計算させ、前記生起確率が設定した閾値よりも低い場合に正常と判定させ、
前記他の特徴量データに対応する前記他のデータが本来は異常である場合、当該クラスタを前記学習モデル候補から削除させる
ことを特徴とする請求項11記載の異常検出プログラム。 - 前記学習モデル作成部に、
設定された複数の混合数にもとづいて、前記変換後特徴量データを前記混合数のクラスタに分類させて、前記混合数ごとに学習モデル候補を作成させ、
前記モデル改変部に、
前記混合数ごとに、前記学習モデル候補における各クラスタについて前記他の変換後特徴量データが生起する生起確率を計算させ、前記生起確率が設定した閾値よりも高い場合に異常と判定させ、
真陽性の発生率が最も高い前記学習モデル候補を前記学習モデルに決定させる
ことを特徴とする請求項12記載の異常検出プログラム。 - 前記写像部に、
監視対象に関する新たなデータを用いて特徴量を計算して得られた新たな特徴量データに対して状態空間モデルへの写像手法を用いて前記基底にもとづき前記新たな特徴量データを写像させ、写像された前記新たな特徴量データの次元数を削減させて前記新たな次元数とさせ、新たな変換後特徴量データを生成させ、
前記コンピュータを、
前記学習モデルにおける各クラスタについて前記新たな変換後特徴量データが生起する生起確率を計算し、前記生起確率が設定した閾値よりも高い場合に異常と判定する異常判定部としてさらに機能させる
ことを特徴とする請求項11〜13のいずれかに記載の異常検出プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019041040A JP7348588B2 (ja) | 2019-03-06 | 2019-03-06 | 異常検出システム、及び異常検出プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019041040A JP7348588B2 (ja) | 2019-03-06 | 2019-03-06 | 異常検出システム、及び異常検出プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020144626A true JP2020144626A (ja) | 2020-09-10 |
JP7348588B2 JP7348588B2 (ja) | 2023-09-21 |
Family
ID=72353651
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019041040A Active JP7348588B2 (ja) | 2019-03-06 | 2019-03-06 | 異常検出システム、及び異常検出プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7348588B2 (ja) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20220066633A (ko) * | 2020-11-16 | 2022-05-24 | 한국전자통신연구원 | 탐지대상 이미지에서의 이상 부분 탐지 방법 및 시스템, 이의 복원 모델 학습 방법 |
JP2022114704A (ja) * | 2021-01-27 | 2022-08-08 | 三菱重工業株式会社 | 多変量データの異常診断支援方法及び異常診断支援装置 |
WO2022259966A1 (ja) * | 2021-06-10 | 2022-12-15 | 国立大学法人東京大学 | 人工衛星監視装置、人工衛星監視方法及びプログラム |
WO2024070390A1 (ja) * | 2022-09-26 | 2024-04-04 | 株式会社Screenホールディングス | 学習装置、情報処理装置、基板処理装置、基板処理システム、学習方法および処理条件決定方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010257344A (ja) * | 2009-04-27 | 2010-11-11 | Nippon Telegr & Teleph Corp <Ntt> | 視線位置推定方法、視線位置推定装置、プログラム、及び記録媒体 |
JP2011013818A (ja) * | 2009-06-30 | 2011-01-20 | Nippon Hoso Kyokai <Nhk> | 顔特徴点抽出装置及び顔特徴点抽出プログラム |
JP2016206784A (ja) * | 2015-04-17 | 2016-12-08 | 株式会社Ihi | データ分析装置及びデータ分析方法 |
-
2019
- 2019-03-06 JP JP2019041040A patent/JP7348588B2/ja active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010257344A (ja) * | 2009-04-27 | 2010-11-11 | Nippon Telegr & Teleph Corp <Ntt> | 視線位置推定方法、視線位置推定装置、プログラム、及び記録媒体 |
JP2011013818A (ja) * | 2009-06-30 | 2011-01-20 | Nippon Hoso Kyokai <Nhk> | 顔特徴点抽出装置及び顔特徴点抽出プログラム |
JP2016206784A (ja) * | 2015-04-17 | 2016-12-08 | 株式会社Ihi | データ分析装置及びデータ分析方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20220066633A (ko) * | 2020-11-16 | 2022-05-24 | 한국전자통신연구원 | 탐지대상 이미지에서의 이상 부분 탐지 방법 및 시스템, 이의 복원 모델 학습 방법 |
KR102605692B1 (ko) * | 2020-11-16 | 2023-11-27 | 한국전자통신연구원 | 탐지대상 이미지에서의 이상 부분 탐지 방법 및 시스템, 이의 복원 모델 학습 방법 |
JP2022114704A (ja) * | 2021-01-27 | 2022-08-08 | 三菱重工業株式会社 | 多変量データの異常診断支援方法及び異常診断支援装置 |
JP7125518B2 (ja) | 2021-01-27 | 2022-08-24 | 三菱重工業株式会社 | 多変量データの異常診断支援方法及び異常診断支援装置 |
WO2022259966A1 (ja) * | 2021-06-10 | 2022-12-15 | 国立大学法人東京大学 | 人工衛星監視装置、人工衛星監視方法及びプログラム |
WO2024070390A1 (ja) * | 2022-09-26 | 2024-04-04 | 株式会社Screenホールディングス | 学習装置、情報処理装置、基板処理装置、基板処理システム、学習方法および処理条件決定方法 |
Also Published As
Publication number | Publication date |
---|---|
JP7348588B2 (ja) | 2023-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7348588B2 (ja) | 異常検出システム、及び異常検出プログラム | |
CN111292303B (zh) | 焊缝缺陷类别检测方法、装置、电子设备及存储介质 | |
JP6941123B2 (ja) | 適応型追加学習を用いた細胞のアノテーション法及びアノテーションシステム | |
US20210089895A1 (en) | Device and method for generating a counterfactual data sample for a neural network | |
JP5414416B2 (ja) | 情報処理装置及び方法 | |
US20220269996A1 (en) | Information processing apparatus, information processing method, and storage medium | |
CN114092387B (zh) | 生成可用于检查半导体样本的训练数据 | |
EP3220353B1 (en) | Image processing apparatus, image processing method, and recording medium | |
US20140169639A1 (en) | Image Detection Method and Device | |
US20220058431A1 (en) | Semantic input sampling for explanation (sise) of convolutional neural networks | |
JP2013161295A (ja) | ラベル付加装置、ラベル付加方法及びプログラム | |
JP2019158628A (ja) | 検査装置、検査方法、及び検査プログラム | |
CN111739017A (zh) | 一种在样本不平衡条件下显微图像的细胞识别方法及系统 | |
CN114746859A (zh) | 评价方法、评价程序以及信息处理装置 | |
TWI601098B (zh) | 影像分類裝置及影像分類方法 | |
CN111814852A (zh) | 图像检测方法、装置、电子设备和计算机可读存储介质 | |
JP6643856B2 (ja) | 分類方法、検査方法、検査装置、およびプログラム | |
JP2006085616A (ja) | 画像処理アルゴリズム評価方法および装置、画像処理アルゴリズム生成方法および装置、プログラムならびにプログラム記録媒体 | |
JP2006292615A (ja) | 外観検査装置、外観検査方法、コンピュータを外観検査装置として機能させるためのプログラムおよび記録媒体 | |
JP5298552B2 (ja) | 判別装置、判別方法及びプログラム | |
JP2007018176A (ja) | 学習装置、学習方法、学習プログラム、記録媒体、パターン認識装置およびパターン認識方法 | |
JP6930195B2 (ja) | モデル同定装置、予測装置、監視システム、モデル同定方法および予測方法 | |
JP2021124886A (ja) | 情報処理装置、情報処理方法及び情報処理プログラム | |
WO2012092132A2 (en) | Determining the uniqueness of a model for machine vision | |
CN114820003A (zh) | 定价信息异常识别方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220210 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230119 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230131 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20230328 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230524 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230809 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230822 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7348588 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |